Aprender OpenCV Características y descriptores de imagen

Los detectores de características localizan puntos de interés en la imagen que son robustos a transformaciones. cv2.goodFeaturesToTrack() detecta esquinas con el criterio de Shi-Tomasi. cv2.SIFT_create() detecta keypoints invariantes a escala y rotación, produciendo descriptores de 128 dimensiones (float32). cv2.ORB_create() es una alternativa libre de patentes, más rápida, con descriptores binarios de 256 bits (uint8).

El feature matching compara los descriptores de dos imágenes para encontrar correspondencias. cv2.BFMatcher (Brute Force) compara cada descriptor con todos los demás. Para descriptores float (SIFT) se usa la distancia NORM_L2; para binarios (ORB) se usa NORM_HAMMING. cv2.FlannBasedMatcher es más rápido para grandes conjuntos de datos usando vecinos aproximados.

El ratio test de Lowe filtra los matches ambiguos: solo se acepta un match si el mejor candidato es significativamente mejor que el segundo (m.distance < 0.75 * n.distance).

buenos = [m for m, n in matcher.knnMatch(d1, d2, k=2) if m.distance < 0.75 * n.distance]

La homografía es una transformación proyectiva que relaciona dos vistas del mismo plano. cv2.findHomography() con el algoritmo RANSAC calcula la homografía filtrando automáticamente las correspondencias incorrectas (outliers). cv2.warpPerspective() aplica la homografía para alinear dos imágenes o proyectar contenido sobre superficies planas.